HI,欢迎来到起点商标网!
24小时服务QQ:2880605093

一种基于GAN网络的现场混音方法、装置、设备及介质与流程

2021-01-28 13:01:51|208|起点商标网
一种基于GAN网络的现场混音方法、装置、设备及介质与流程

本申请涉及计算机技术领域,尤其涉及一种基于gan网络的现场混音方法、装置、设备及介质。



背景技术:

现场直播又称实况转播,是电视台对一些重要新闻事件或大型活动进行现场拾音、拍摄并同时发送给受众的播出方式。这些大型活动如文艺演出、节日庆典等,现场声音通过混音台输出分轨直录的声音,通过成音控台完成现场成音,经过转播车将节目信号传送回台,再广播出去到电视机前观众面前。混音成音的工作由现场调音师来完成,现场包括乐器、人声等三十几个音轨,而最终输出到电视机前只有两个音轨,同时需要消去现场的各种杂音,以达到更好的收看效果,这对现场调音师有很高的要求。现有技术中,若是现场调音师的水平不高,生成得混音效果可能很差。



技术实现要素:

有鉴于此,本申请实施例提供了一种基于gan网络的现场混音方法、装置、设备及介质,用于解决现有技术中,若是现场调音师的水平不高,生成得混音效果可能很差的问题。

本申请实施例采用下述技术方案:

本申请实施例提供一种基于gan网络的现场混音方法,所述方法包括:

通过收集设备收集现场的音频数据;

将所述现场的音频数据输入至预先训练的现场混音模型,并输出现场音频数据的混音结果,其中,所述现场混音模型是基于gan网络训练生成,所述现场混音模型包括辨别器与生成器。

需要说明的是,本说明书实施例采用gan网络和深度学习技术,构建了现场的现场混音模型,与传统声音融合技术相比,采用gan网络构建的现场混音模型,在没有调音师的情况下也可以很好地合成具有复杂分布的声音,节省人力,并可以提高音频的混音成音的效率。

进一步的,所述将所述现场的音频输入至预先训练的现场混音模型之前,所述方法还包括:

通过收集设备收集样本集,其中,所述样本集包括多个现场的音频数据与多个混音后的音频数据;

建立初始的现场混音模型,其中,所述初始的现场混音模型包括初始的辨别器与初始的生成器;

根据所述样本集训练初始的现场混音模型,确定出最终的现场混音模型。

进一步的,所述通过收集设备收集样本集之后,所述方法还包括:

根据预先设定的时间间隔,对所述样本集中的多个现场的音频数据与多个混音后的音频数据进行分割,确定出多个样本数据;

所述根据所述样本集训练初始的现场混音模型,确定出最终的现场混音模型,具体包括:

根据所述样本集中的多个样本数据训练初始的现场混音模型,确定出最终的现场混音模型。

需要说明的是,考虑音频的时序性以及上下文的关联,通过上述方式将音频数据进行小段分割,使得最终的现场混音模型的混合声音的效果更好。

进一步的,所述根据所述样本集训练初始的现场混音模型,确定出最终的现场混音模型,具体包括:

固定所述初始的辨别器的网络参数,通过所述样本集训练所述初始的生成器,确定出所述初始的生成器的网络参数,以便所述初始的辨别器无法区分混音后的音频数据来自训练后的生成器,还是来自真实的音频数据;

固定训练后生成器的网络参数,通过所述样本集训练所述初始的辨别器,确定出所述初始的辨别器的网络参数,以便训练后的辨别器可以区分是真实的音轨数据与训练后生成器生成的音轨数据,其中,所述音轨数据来自不同音频输入设备产生的音频数据;

交替训练所述初始的辨别器与所述初始的生成器,得到最终的现场混音模型。

需要说明的是,通过交替训练生成器和辨别器,完成现场混音模型的训练,最终可以将生成器用于大型活动现场的混音成音。

进一步的,所述根据所述样本集训练初始的现场混音模型,确定出最终的现场混音模型之后,所述方法还包括:

通过收集设备收集现场的音频数据,根据所述最终的现场混音模型的生成器,确定出现场音频数据的混音结果;

根据所述现场音频数据的混音结果,微调所述最终的现场混音模型中生成器与辨别器的网络参数,确定出符合现场要求的现场混音模型。

需要说明的是,本说明书实施例通过进行有针对性的训练,微调现场混音模型的网络参数,进而形成符合现场要求的现场混音模型,可以混合出更加有渲染力音频数据。

进一步的,所述生成器用于将多路音频融合形成两路输出音频,所述生成器包括提取单路音轨的卷积层网络、多路向量融合的卷积层网络、注意力机制网络与全连接层网络;所述提取单路音轨的卷积层网络用于实现单路音频数据的特征提取,形成特征向量;所述多路向量融合的卷积层网络用于将来自多个音轨的特征向量的融合;所述注意力机制网络包括多个注意力网络和归一化层,所述注意力机制网络用于负责完成时间序列下的一段音频间的特征融合,并将所述归一化层输出的音频数据与来自所述现场音轨数据进行求和,再经过所述全连接层网络,最终输出两路音轨数据。

本说明书实施例采用卷积神经网络和注意力机制也能更好的实现并行化,加速神经网络的推理执行,提高音频的混音成音效率,提升直播的实时性。同时,本说明书实施例构建注意力机制的神经网络来实现多路音频数据的融合,可以兼顾到音频混音更多的特征。

进一步的,所述辨别器是基于神经网络的二元分类器,所述辨别器是根据wasserstein距离确定。

需要说明的是,二元分类器的辨别器可以用于区分是真实的成音音轨数据还是由生成器生成的音轨数据,并且,采用wasserstein距离可以确定出更合适的辨别器,使得辨别器的辨别效果更好。

本申请实施例还提供一种基于gan网络的现场混音装置,所述装置包括:

收集单元,用于通过收集设备收集现场的音频数据;

结果单元,用于将所述现场的音频数据输入至预先训练的现场混音模型,并输出现场音频数据的混音结果,其中,所述现场混音模型是基于gan网络训练生成,所述现场混音模型包括辨别器与生成器,所述辨别器是根据输出的wasserstein距离训练得到。

本申请实施例还提供一种基于gan网络的现场混音设备,所述设备包括:

至少一个处理器;以及,

与所述至少一个处理器通信连接的存储器;其中,

所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:

通过收集设备收集现场的音频数据;

将所述现场的音频数据输入至预先训练的现场混音模型,并输出现场音频数据的混音结果,其中,所述现场混音模型是基于gan网络训练生成,所述现场混音模型包括辨别器与生成器。

本申请实施例还提供一种基于gan网络的现场混音介质,存储有计算机可执行指令,所述计算机可执行指令设置为:

通过收集设备收集现场的音频数据;

将所述现场的音频数据输入至预先训练的现场混音模型,并输出现场音频数据的混音结果,其中,所述现场混音模型是基于gan网络训练生成,所述现场混音模型包括辨别器与生成器。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例采用gan网络和深度学习技术,构建了现场的现场混音模型,与传统声音融合技术相比,采用gan网络构建的现场混音模型,在没有调音师的情况下也可以很好地合成具有复杂分布的声音,节省人力,并可以提高音频的混音成音的效率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:

图1为本说明书实施例一提供的一种基于gan网络的现场混音方法的流程示意图;

图2为本说明书实施例二提供的一种基于gan网络的现场混音方法的流程示意图;

图3为本说明书实施例二提供的基于gan网络的现场混音模型的示意图;

图4为本说明书实施例三提供一种基于gan网络的现场混音装置的结构示意图。

具体实施方式

近年来,人工智能技术发展迅速,其商业化速度超出预期,人工智能将会给整个社会带来颠覆性的变化,已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进,其超强的进化能力,在大数据的支持下,通过训练构建得到类似人脑结构的大规模神经网络,已经可以解决各类问题。

生成式对抗网络(gan,generativeadversarialnetworks)是近年来复杂分布上无监督学习最重要的方法之一,目前已被广泛应用于生成领域,gan可以产生令人印象深刻的结果,并且可以控制平滑且合理的语义变化,成为最重要的学习任意复杂数据分布的生成模型框架。

现场直播又称实况转播,是电视台对一些重要新闻事件或大型活动进行现场拾音、拍摄并同时发送给受众的播出方式。这些大型活动如文艺演出、节日庆典等,现场声音通过混音台输出分轨直录的声音,通过成音控台完成现场成音,经过转播车将节目信号传送回台,再广播出去到电视机前观众面前。混音成音的工作由现场调音师来完成,现场包括乐器、人声等三十几个音轨,而最终输出到电视机前只有两个音轨,同时需要消去现场的各种杂音,以达到更好的收看效果,这对现场调音师有很高的要求。现有技术缺乏一种实现现场混音的方式。

为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。

以下结合附图,详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例一提供的一种基于gan网络的现场混音方法的流程示意图,本说明书实施例可以由现场混音模型的执行单元执行下述步骤,具体步骤可以包括:

步骤s101,通过收集设备收集现场的音频数据。

在本说明书实施例的步骤s101中,收集设备可以为录音设备。

步骤s102,将所述现场的音频数据输入至预先训练的现场混音模型,并输出现场音频数据的混音结果。

在本说明书实施例的步骤s102中,在现场混音模型可以是基于gan网络训练生成,现场混音模型可以包括辨别器与生成器。

在本说明书实施例的步骤s102中,生成器可以用于将多路音频融合形成两路输出音频,生成器可以包括提取单路音轨的卷积层网络、多路向量融合的卷积层网络、注意力机制网络与全连接层网络;所述提取单路音轨的卷积层网络可以用于实现单路音频数据的特征提取,形成特征向量;多路向量融合的卷积层网络可以用于将来自多个音轨的特征向量的融合;所述注意力机制网络可以包括多个注意力网络和归一化层,注意力机制网络可以用于负责完成时间序列下的一段音频间的特征融合,并将所述归一化层输出的音频数据与来自所述现场音轨数据进行求和,再经过所述全连接层网络,最终输出两路音轨数据。

需要说明的是,本说明书实施例采用卷积神经网络和注意力机制也能更好的实现并行化,加速神经网络的推理执行,提高音频的混音成音效率,提升直播的实时性。同时,本说明书实施例构建注意力机制的神经网络来实现多路音频数据的融合,可以兼顾到音频混音更多的特征。

在本说明书实施例的步骤s102中,辨别器可以是基于神经网络的二元分类器。本说明书实施例的二元分类器可以采用one-versus-all(ova)策略,简称一对多。由于本说明书实施例的数据集包括多个现场的音频数据与多个混音后的音频数据,可以构建一个二元分类器。训练时将现场的音频数据归为一类,混音后的音频数据归为另一类,这样会有一个决策分数(概率),然后可以取最高决策分数的一个类别作为该样本的类别,通过上述方式可以便于建立本说明书实施例所需的辨别器。

需要说明的是,本说明书实施例采用gan网络和深度学习技术,构建了现场的现场混音模型,与传统声音融合技术相比,采用gan网络构建的现场混音模型,在没有调音师的情况下也可以很好地合成具有复杂分布的声音,节省人力,并可以提高音频的混音成音的效率。

与本说明书实施例一相对应的是,图2为本说明书实施例二提供的一种基于gan网络的现场混音方法的流程示意图,本说明书实施例可以由现场混音模型的执行单元执行下述步骤,具体步骤可以包括:

步骤s201,通过收集设备收集样本集,其中,所述样本集包括多个现场的音频数据与多个混音后的音频数据。

在本说明书实施例的步骤s201中,收集设备可以为录音设备。混音后的音频数据可以为现场的音频数据经过调音完成的音频数据。

步骤s202,建立初始的现场混音模型。

在本说明书实施例的步骤s202中,在初始的现场混音模型可以是基于gan网络训练生成,初始的现场混音模型可以包括初始的辨别器与初始的生成器。

在本说明书实施例的步骤s202中,生成器可以用于将多路音频融合形成两路输出音频,生成器可以包括提取单路音轨的卷积层网络、多路向量融合的卷积层网络、注意力机制网络与全连接层网络;所述提取单路音轨的卷积层网络可以用于实现单路音频数据的特征提取,形成特征向量;多路向量融合的卷积层网络可以用于将来自多个音轨的特征向量的融合;所述注意力机制网络可以包括多个注意力网络和归一化层,注意力机制网络可以用于负责完成时间序列下的一段音频间的特征融合,并将所述归一化层输出的音频数据与来自所述现场音轨数据进行求和,再经过所述全连接层网络,最终输出两路音轨数据。

需要说明的是,本说明书实施例采用卷积神经网络和注意力机制也能更好的实现并行化,加速神经网络的推理执行,提高音频的混音成音效率,提升直播的实时性。同时,本说明书实施例构建注意力机制的神经网络来实现多路音频数据的融合,可以兼顾到音频混音更多的特征。

在本说明书实施例的步骤s202中,辨别器可以是基于神经网络的二元分类器,可以用于区分是真实的成音音轨数据还是由生成器生成的音轨数据,并可以采用wasserstein距离来进行衡量。其中,wasserstein距离可以用来表示两个分布的相似程度。wasserstein距离可以是在最优路径规划下的最小消耗。

需要说明的是,本说明书实施例的二元分类器可以采用one-versus-all(ova)策略,简称一对多。由于本说明书实施例的数据集包括多个现场的音频数据与多个混音后的音频数据,可以构建一个二元分类器。训练时将现场的音频数据归为一类,混音后的音频数据归为另一类,这样会有一个决策分数(概率),然后可以取最高决策分数的一个类别作为该样本的类别,通过上述方式可以便于建立本说明书实施例所需的辨别器。

步骤s203,根据所述样本集训练初始的现场混音模型,确定出最终的现场混音模型。

在本说明书实施例的步骤s203中,本步骤具体可以包括:

固定所述初始的辨别器的网络参数,通过所述样本集训练所述初始的生成器,确定出所述初始的生成器的网络参数,以便所述初始的辨别器无法区分混音后的音频数据来自训练后的生成器,还是来自真实的音频数据;

固定训练后生成器的网络参数,通过所述样本集训练所述初始的辨别器,确定出所述初始的辨别器的网络参数,以便训练后的辨别器可以区分是真实的音轨数据与训练后生成器生成的音轨数据,其中,所述音轨数据来自不同音频输入设备产生的音频数据;

交替训练所述初始的辨别器与所述初始的生成器,得到最终的现场混音模型。

需要说明的是,通过交替训练生成器和辨别器,完成现场混音模型的训练,最终可以将生成器用于大型活动现场的混音成音。此外,根据所述样本集训练初始的现场混音模型时,需要通过卷积神经网络来提取多路音频数据特征。

步骤s204,通过收集设备收集现场的音频数据,根据所述最终的现场混音模型的生成器,确定出现场音频数据的混音结果。

步骤s205,根据所述现场音频数据的混音结果,微调所述最终的现场混音模型中生成器与辨别器的网络参数,确定出符合现场要求的现场混音模型。

在本说明书实施例的步骤s204与s205中,通过进行有针对性的训练,微调现场混音模型的网络参数,进而形成符合现场要求的现场混音模型,可以混合出更加有渲染力音频数据。

步骤s206,通过收集设备收集现场的音频数据。

步骤s207,将所述现场的音频数据输入至预先训练的现场混音模型,并输出现场音频数据的混音结果。

进一步的,所述通过收集设备收集样本集之后,所述方法还包括:

根据预先设定的时间间隔,对所述样本集中的多个现场的音频数据与多个混音后的音频数据进行分割,确定出多个样本数据;

所述根据所述样本集训练初始的现场混音模型,确定出最终的现场混音模型,具体包括:

根据所述样本集中的多个样本数据训练初始的现场混音模型,确定出最终的现场混音模型。

需要说明的是,考虑音频的时序性以及上下文的关联,通过上述方式将音频数据进行小段分割,使得最终的现场混音模型的混合声音的效果更好。

需要说明的是,本说明书实施例采用gan网络和深度学习技术,构建了现场的现场混音模型,与传统声音融合技术相比,采用gan网络构建的现场混音模型,在没有调音师的情况下也可以很好地合成具有复杂分布的声音,节省人力,并可以提高音频的混音成音的效率。

需要说明的是,本说明书实施例的技术方案包括:

一种基于gan的现场混音方法,采用基于gan网络的现场混音模型,参见图3,示出了基于gan网络的现场混音模型的示意图,由生成器和辨别器构成,通过卷积神经网络来提取多路音频数据特征,同时考虑音频的时序性以及上下文的关联,将音频数据进行小段分割,构建注意力机制的神经网络来实现多路音频数据的融合;通过交替训练生成器和辨别器,完成现场混音模型的训练,最终将生成器用于大型活动现场的混音成音。另外,根据混音现场的实际状况,可以对音频数据采样,并进行有针对性的训练,微调模型参数,形成更加准确、符合现场要求的混音模型。其中,

现场音轨是指来自现场不同音频输入设备产生的音频数据;gan网络包括生成器和辨别器;生成器负责实现多路音频融合形成两路输出音频,生成器网络由提取单路音轨的卷积层网络、多路向量融合的卷积层网络、注意力机制网络、全连接层网络等部分构成;提取单路音轨的卷积层网络主要由卷积层构成,实现单路音频数据的特征提取,形成特征向量;多路向量融合的卷积层网络由卷积层构成,完成来自多个音轨的特征向量的融合;注意力机制网络由多头注意力网络和归一化层构成,负责完成时间序列下的一段音频间的特征融合;将归一化层输出的音频数据与来自现场音轨数据进行求和,经过全连接层网络,最终输出两路音轨数据;辨别器是基于神经网络的二元分类器,区分是真实的成音音轨数据还是由所生成器生成的音轨数据,可以采用wasserstein距离来进行衡量。

本说明书实施例在进行现场混音模型训练时,具体包括:

步骤301、收集大量现场的音频数据和混音后的音频数据,对音频数据根据时间间隔进行分割,其中,混音后的音频数据可以为现场的音频数据经过调音完成的音频数据;

步骤302、固定辨别器的网络参数,更新生成器的网络参数,使得辨别器无法区分混音后的音频是来自生成器产生的音频,还是来自真实的音频数据;

步骤303、固定生成器网络参数,训练辨别器,根据输出的wasserstein距离,将误差反向传播,更新辨别器的网络参数,使得辨别器可以区分是真实的成音音轨数据还是由所述的生成器生成的音轨数据;

步骤304、交替训练辨别器和生成器网络,得到最终的现场混音模型。

本说明书实施例在进行现场混音模型使用前,具体包括:

步骤401、彩排阶段,现场进行音频数据采集,利用现场混音模型的生成器网络实现现场混音成音;

步骤402、根据成音情况,进行微调,达到比较满意的成音效果;

步骤403、现场进行小样本的训练,微调模型参数,形成更加准确、符合现场要求的混音模型;

步骤404、直播现场,采用符合现场要求的混音模型的生成器网络完成现场声音的混音成音任务,并将声音送往转播设备。

本说明书实施例的优点在于:

本说明书实施例采用gan网络和深度学习技术,构建了现场混音成音模型,将声音分成固定的小段,采用卷积神经网络来提取其特征;同时考虑音频的时序性以及上下文的关联,将音频数据进行小段分割,构建注意力机制的神经网络来实现多路音频数据的融合,可以兼顾到音频混音更多的特征。与传统声音融合技术相比,采用gan网络能够更好地合成具有复杂分布的声音,同时可以根据现场的实际状况,对音频数据采样,并进行有针对性的训练,微调模型参数,形成更加有渲染力音频数据。另外,采用卷积神经网络和注意力机制也能更好的实现并行化,加速神经网络的推理执行,提高音频的混音成音效率,提升直播的实时性。

与本说明书实施例二相对应的是,图4为本说明书实施例三提供一种基于gan网络的现场混音装置的结构示意图,装置可以包括:收集单元1与结果单元2。

收集单元1用于通过收集设备收集现场的音频数据。

结果单元2用于将所述现场的音频数据输入至预先训练的混音模型,并输出现场音频数据的混音结果,其中,所述混音模型是基于gan网络训练生成,所述混音模型包括辨别器与生成器,所述辨别器是根据输出的wasserstein距离训练得到。

本申请实施例还提供一种基于gan网络的现场混音设备,所述设备包括:

至少一个处理器;以及,

与所述至少一个处理器通信连接的存储器;其中,

所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:

通过收集设备收集现场的音频数据;

将所述现场的音频数据输入至预先训练的混音模型,并输出现场音频数据的混音结果,其中,所述混音模型是基于gan网络训练生成,所述混音模型包括辨别器与生成器。

本申请实施例还提供一种基于gan网络的现场混音介质,存储有计算机可执行指令,所述计算机可执行指令设置为:

通过收集设备收集现场的音频数据;

将所述现场的音频数据输入至预先训练的混音模型,并输出现场音频数据的混音结果,其中,所述混音模型是基于gan网络训练生成,所述混音模型包括辨别器与生成器。

在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray,fpga))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(hardwaredescriptionlanguage,hdl),而hdl也并非仅有一种,而是有许多种,如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等,目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit,asic)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中,计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(ram)和/或非易失性内存等形式,如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。

还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。

起点商标作为专业知识产权交易平台,可以帮助大家解决很多问题,如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通,为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除

tips